面向对象分类之图像分割

水文地质、环境地质、地质环境遥感解译方法及技术路线水文地质、环境地质、地质环境遥感解译工作用到的主要解译方法是遥感信息计算机自动提取和人机交互解译。

遥感信息计算机自动提取主要采用了面向对象的图像分类法。

面向对象的图像分类方法集合临近像元为对象用来识别感兴趣的光谱要素，充分利用高分辨率的全色和多光谱数据的空间，纹理，光谱信息来分割和分类的特点，以高精度的分类结果或者矢量输出。

它主要分成两部分过程：影像对象构建和对象的分类。

影像对象构建主要用了影像分割技术，常用分割方法包括基于多尺度的、基于灰度的、纹理的、基于知识的及基于分水岭的等分割算法。

面向对象的分类方法第一步是确定对象和类。

这里所说的对象是对数据及其处理方式的抽象，它反映了系统保存和处理现实世界中某些事物的信息的能力。

人机交互解译法是基于遥感技术和计算机技术的进步，在单纯的目视解译的基础上发展出的遥感解译方法，它能充分利用遥感图像的空间分辨率、光谱特征、时间特性。

遥感解译是在已经精确几何校正的数字图像上进行，在识别种类地物，判别其特性时，随时处理图像，增强或改善信号，放大或缩小，并可随时测得各部位的光谱特性及几何数据。

主要有直译法、追索法、类比法及综合分析法4种，在实际解译过程中要进行4种方法的综合应用。

图像分割技术在计算机视觉中的应用案例图像分割是计算机视觉领域中的一项重要技术，可以将图像划分为不同的区域或对象，从而帮助计算机理解图像，并提取出有用的信息。

图像分割技术在很多应用领域都有广泛的应用，下面将介绍几个图像分割技术在计算机视觉中的具体应用案例。

一、医学影像分割在医学领域，图像分割技术可以用于诊断、手术导航和辅助治疗等方面。

例如，在肺部CT图像中，利用图像分割可以准确地提取出肿瘤的边界和位置，帮助医生进行肿瘤的诊断和治疗。

此外，在磁共振成像（MRI）中，图像分割可以将肌肉、骨骼和器官等部位进行分离，从而帮助医生做出更准确的诊断。

二、自动驾驶自动驾驶技术是近年来计算机视觉领域的研究热点之一，而图像分割在自动驾驶中起到了重要的作用。

利用图像分割技术，可以将道路、车辆和行人等不同的目标进行分割和识别，实现对交通环境的理解和感知。

通过图像分割，汽车可以准确地判断前方是否有路障或行人，并作出相应的驾驶决策，从而确保行车安全。

三、工业质检图像分割技术也广泛应用于工业质检领域。

例如，在电子器件制造过程中，利用图像分割可以将不同的元件或故障区域从图像中分割出来，帮助工人进行质量检查和排除缺陷。

此外，图像分割还可以用于零件的检测和测量，可以自动识别出产品是否符合规定的尺寸和形状，提高生产效率和质量。

四、智能农业图像分割技术也被应用于智能农业领域，帮助农民实现精准农业管理。

通过使用无人机或传感器采集植物生长的图像数据，结合图像分割技术，可以准确地识别出不同作物的位置和生长情况。

这样农民可以根据不同作物的生长状况进行精确施肥、灌溉和病虫害防治，提高农作物的产量和质量。

总之，图像分割技术在计算机视觉中有着广泛的应用。

它不仅可以帮助医生进行医学影像的诊断和治疗，还可以用于自动驾驶、工业质检和智能农业等领域。

随着计算机视觉技术的不断发展，图像分割技术将在更多的应用场景中得到应用，为人们的生活和工作带来更多的便利和效益。

计算机视觉中的图像分割与识别方法随着计算机科学的发展，人们对计算机视觉的应用越来越广泛。

计算机视觉是指识别，解析和回收数字和图像数据的能力，通常利用计算机来模拟机器视觉或人类视觉，以便进行图像处理和图像分析。

其中，图像分割和识别技术是计算机视觉中的重要研究领域之一。

一、图像分割技术图像分割是将图像分成多个子区域或像素集的过程，目的是为了更好地理解图像。

图像分割的过程通常是将像素分为两组或更多组（称为“分割”）。

这些组可以表示图像中的不同区域，例如前景，背景，天空，树，建筑等。

图像分割的结果可以用于计算机视觉领域的其他应用，例如人脸检测，物体识别，图像压缩等。

目前，常用的图像分割方法包括K-均值聚类方法，分水岭算法，基于区域生长的方法，和基于边缘的方法等。

1. K-均值聚类方法K-均值聚类是常用的一种图像分割方法。

该方法将图像中的所有像素划分为K个不同的组。

这些组通常表示不同的区域或不同的物体。

K-均值聚类首先需要初始化K个点，通常是通过随机选择K个像素点的方法。

然后，每个像素点都将被分配到最近的K 个点之一。

最后，计算K个点的新位置，并将所有像素重新分配给最近的点。

这个过程重复执行，直到聚类中心稳定不再改变。

2. 分水岭算法分水岭算法是另一种常用的图像分割方法。

该方法将图像看作地形，其中亮度被视为高度。

算法通过在图像中标记种子点来开始。

然后，像素被赋予绑定到最接近的种子点的标记号。

最后，像素被分成许多区域，这些区域形成分离的区域，每个种子点属于其中的一个区域。

3. 基于区域生长的方法基于区域生长的图像分割方法是一种基于合并原则的方法。

该方法将图像分为不同的区域，其中每个区域都具有相同的属性（例如颜色，亮度等）。

每个区域通过查找与其邻域相似的像素来生长。

区域增长过程可以基于以下标准：- 相邻像素具有相似的性质- 相邻像素具有相似的灰度值- 像素被分配到一个区域的成本函数最小4. 基于边缘的方法基于边缘的图像分割方法使用边缘作为图像中不同区域之间的分界线。

eCognition的概论eCognition是北京天目创新科技有限公司代理的德国DefiniensImaging公司的遥感影像分析软件，它是人类大脑认知原理与计算机超级处理能力有机结合的产物，即计算机自动分类的速度+人工判读解译的精度，更智能，更精确，更高效地将对地观测遥感影像数据转化为空间地理信息。

eCognition突破了传统影像分类方法的局限性，提出了革命性的分类技术－面向对象分类。

eCognition分类针对的是对象而不是传统意义上的像素，充分利用了对象信息（色调，形状，纹理，层次），类间信息（与邻近对象，子对象，父对象的相关特征）。

eCognition基于Windows操作系统，界面友好简单。

与其他遥感，地理信息软件互操作性强，广泛应用于：自然资源和环境调查，农业，林业，土地利用，国防，管线管理，电信城市规划，制图，自然灾害监测，海岸带和海洋制图，地矿等方面。

面向影像对象：＊面向像素的解算模式将像元孤立化分析，解译精度较低且斑点噪声难以消除；＊利用影像分割技术把影像分解成具有一定相似特征的像元的集合—影像对象；＊影像对象和像元相比，具有多元特征：颜色、大小、形状、匀质性等；基于对象属性特点：- 颜色信息丰富- 形状接近真实地物- 大小区分明显- 纹理信息突出- 上下文关系明确基于像素属性特点:- 基本上只以颜色信息来区分主要分类过程介绍：采用eCognition软件对影像进行分类操作非常简单，可以主要以三个步骤来形容如下：1.分割分割是面向对象分类的前提，多尺度分割是影像对象提取的专利技术，可以根据目标任务和所用影像数据的不同以任意选定的尺度分割出有意义的影像对象原型。

2.分类多尺度分割的结果是影像对象层次网络，每一层是一次分割的结果，影像对象层次网络在不同的尺度同时表征影像信息。

3.导出导出分类结果。

eCognition提供的专业分类工具包括* 多源数据融合* 多尺度分割* 基于样本的监督分类* 基于知识的模糊分类* 人工分类* 自动分类多源数据融合工具：可用来融合不同分辨率的对地观测影像数据和GIS数据，如Landsat,Spot,IRS,IKONOS, QuickBird,SAR,航空影像，LIDAR等，不同类型的影像数据和矢量数据同时参与分类。

摘要图像分割是把图像划分为有意义的若干区域的图像处理技术，分割技术在辅助医学诊断及运动分析、结构分析等领域都有着重要的研究价值和广泛的应用发展前景。

在阅读大量文献的基础上，本文对图像分割技术的理论基础、发展历程及图像分割方法的热点、难点问题进行了分类综述，对不同分割算法优缺点进行了总结和归纳，并对图像分割的发展趋势进行了初步的展望和预测。

在此基础上，为了对图像分割理论有更直观的认识，本文选取并行边界算法和分水岭算法这两种方法，用MATLAB软件进行了基础的仿真，并对结果进行了分析和总结，本文重点对一些近年来新兴的算法，比如水平集（Level-set）算法、马尔科夫随机场算法（Markov）、模糊算法、遗传算法、数学形态学算法等进行了概略性的探讨，对这些新兴算法的特点、原理、研究动态进行了分析和总结。

关键词：图像分割；边界；区域；水平集；马尔科夫AbstractImage segmentation is an image processing technology that divides the image into a number of regions. Image segmentation has very important significance in supporting medical diagnosis, motion analysis, structural analysis and other fields.Based on recent research, a survey on the theory and development of image segmentation, hot and difficult issues in image segmentation is given in this article. And describes the characteristics of each method as well as their respective advantages and disadvantages in image segmentation .This article introduces and analyzes some basic imaging and image segmentation methods in theory and describes the development trends of medical image segmentation. To have a better understanding of image segmentation, I use MATLAB software to stimulate on images about the parallel edge algorithms and watershed algorithm. And the analysis of the segmentation results is given in the article.This article introduces and analyzes the new algorithms in recent years such as Level-set algorithm, Markov algorithm, Fuzzy algorithm, Genetic algorithm and Morphological algorithm. In this paper, the features, theory and research trends of these algorithms are analyzed and summarized.Keywords: Image segmentation; Border; Area；Level-set；Markov第1章引言1.1 图像分割的背景和重要作用图像是传达信息的一种方式，图像中含有大量的有用信息，理解图像并从图像中抽取信息以用来完成其他工作是数字图像技术中一个重要的应用领域，而理解图像的第一步就是图像的分割。

医疗图像处理中的图像分割方法教程医疗图像处理是近年来发展迅速的领域，它利用计算机技术对医学图像进行处理和分析，为医生提供准确的诊断和治疗方案。

而图像分割作为医疗图像处理的重要组成部分，旨在将医学图像中的对象从背景中区分出来，以提供更详细、更准确的信息。

在医疗图像处理中，图像分割方法具有不可忽视的重要性。

以下将介绍一些常用的医疗图像分割方法，以帮助读者更好地理解和应用。

1. 基于阈值的分割方法基于阈值的分割方法是图像处理中最简单、最直观的一种方法。

它假设图像中的目标与背景具有明显的灰度差异，并通过设置合适的阈值来分割图像。

在医疗图像处理中，可以利用生理特征或者病灶的灰度分布来确定阈值，帮助准确地分割出病变区域。

2. 基于边缘检测的分割方法基于边缘检测的分割方法通过检测图像中的边缘来实现分割。

边缘是图像中灰度变化明显的位置，可以有效区分目标与背景。

常用的边缘检测算法包括Sobel算子、Canny算子等。

通过这些算法可以提取出图像中的边缘信息，然后将目标与背景分离。

3. 基于区域生长的分割方法基于区域生长的分割方法是一种基于灰度值相似性的分割方法。

它从种子点开始，通过逐渐生长的方式将相似灰度值的像素点合并到一个区域中，直到满足一定的停止标准。

这种方法可以有效地处理医疗图像中的噪音和弱边缘问题，得到更加准确的分割结果。

4. 基于图像统计特征的分割方法基于图像统计特征的分割方法利用图像中不同区域的统计特征来实现分割。

例如，可以利用均值、方差、纹理等特征来描述不同区域的差异，并根据这些差异进行分割。

这种方法可以克服基于灰度值的分割方法在处理复杂医学图像时的缺陷，并得到更准确的分割结果。

5. 基于机器学习的分割方法基于机器学习的分割方法利用先前已知的标记样本训练分类器，然后将分类器应用于待分割图像中。

常用的机器学习算法包括支持向量机、决策树、神经网络等。

通过这些算法可以将图像中的像素点分为不同的类别，从而实现图像的分割。

最全综述图像分割算法重磅干货，第一时间送达图像分割是计算机视觉研究中的一个经典难题，已经成为图像理解领域关注的一个热点，图像分割是图像分析的第一步，是计算机视觉的基础，是图像理解的重要组成部分，同时也是图像处理中最困难的问题之一。

所谓图像分割是指根据灰度、彩色、空间纹理、几何形状等特征把图像划分成若干个互不相交的区域，使得这些特征在同一区域内表现出一致性或相似性，而在不同区域间表现出明显的不同。

简单的说就是在一副图像中，把目标从背景中分离出来。

对于灰度图像来说，区域内部的像素一般具有灰度相似性，而在区域的边界上一般具有灰度不连续性。

关于图像分割技术，由于问题本身的重要性和困难性，从20世纪70年代起图像分割问题就吸引了很多研究人员为之付出了巨大的努力。

虽然到目前为止，还不存在一个通用的完美的图像分割的方法，但是对于图像分割的一般性规律则基本上已经达成的共识，已经产生了相当多的研究成果和方法。

本文对于目前正在使用的各种图像分割方法进行了一定的归纳总结，由于笔者对于图像分割的了解也是初窥门径，所以难免会有一些错误，还望各位读者多多指正，共同学习进步。

传统分割方法这一大部分我们将要介绍的是深度学习大火之前人们利用数字图像处理、拓扑学、数学等方面的只是来进行图像分割的方法。

当然现在随着算力的增加以及深度学习的不断发展，一些传统的分割方法在效果上已经不能与基于深度学习的分割方法相比较了，但是有些天才的思想还是非常值得我们去学习的。

1.基于阈值的分割方法阈值法的基本思想是基于图像的灰度特征来计算一个或多个灰度阈值，并将图像中每个像素的灰度值与阈值作比较，最后将像素根据比较结果分到合适的类别中。

因此，该方法最为关键的一步就是按照某个准则函数来求解最佳灰度阈值。

阈值法特别适用于目标和背景占据不同灰度级范围的图。

图像若只有目标和背景两大类，那么只需要选取一个阈值进行分割，此方法成为单阈值分割；但是如果图像中有多个目标需要提取，单一阈值的分割就会出现作物，在这种情况下就需要选取多个阈值将每个目标分隔开，这种分割方法相应的成为多阈值分割。

高分一号城市绿地现状调查与分析实现教程本文将介绍基于高分一号影像数据的城市绿地信息提取的实现步骤，下图是主要的操作流程（图一)图一首先对高分影像进行预处理，其次使用监督分类法和面向对象分类法对城市绿地进行分类，然后对分类出来的影像进行矢量化处理，最后另其在arcGIS中进行统计分析，得出武汉市城市绿地的现状，下面是具体步骤。

第一章数据预处理因为处理数据是高分一号影像，本文处理软件为ENVI5.1，因为ENVI5。

2以下版本不能对高分一号直接进行处理,所以需要安装r6补丁，将下面两个文件直接粘贴到软件所在位置（图二）,然后就可以打开高分影像了（图三）图二图三为了加快数据处理的速度，本文是选择先进行辐射定标然后将图像裁剪在进行后续的操作，预处理流程如下图（图四)：图四1.1 辐射校正分为辐射定标和大气校正（1）打开数据:ENVI—Open As—CRESDA-GF-1,选择处理的影像，打开XML后缀文件；（2）辐射定标:选择Toolbox->Radiometric Correction—〉 Radiometric Calibration,选择待处理的高分数据弹出Radiometric Calibration对话框，进行如图设置。

对于多光谱影像，点击Apply FLAASH Setting 设置成默认值；如果是对全色影像进行辐射定标，那么Calibration则是Reflectance，Out Put Type 为UInt，Scale Factor为1000，如下图:高分一号多光谱影像参数设置高分一号全色影像参数设置（3）大气校正：选择Toolbox-〉Radiometric Correction—〉Atmospheric Correction Module-〉FLAASH Atmospheric Correction,弹出FLAASH Atmospheric Correction Model Input Parameters对话框。

基于多时相遥感影像作物分类方法发布时间：2022-12-19T07:29:08.072Z 来源：《科技新时代》2022年12期作者：陈嘉惠魏宁王彬[导读] 农作物分类对提高农业生产管理以及农业资源与环境监测具有十分重要的意义，提取不同作物种植信息能够为农业精准管理提供基础数据支撑。

吉林建筑大学吉林省长春市 130114农作物分类对提高农业生产管理以及农业资源与环境监测具有十分重要的意义，提取不同作物种植信息能够为农业精准管理提供基础数据支撑。

本文旨在梳理多时相遥感影像作物分类技术的发展脉络，从分类特征、分类尺度和分类方法三个方面总结了作物分类的现状，为今后的作物分类研究、遥感影像的应用提供参考资料。

1.分类特征光谱特征是遥感影像分类的主要特征之一，植物体内的色素是决定植被光谱的主要因素，种类不同的作物因其体内的色素物质不同，所以具有不同的光谱特征，正因如此，可以利用光学遥感影像提取作物的光谱反射率，从而作为作物分类的基础特征。

除此以外，还可以利用光谱反射率计算植被指数和水体指数或者通过图像变换获得的新的图像分量作为分类的特征。

植被的几何结构和土壤含水量的信息也可以为作物分类提供有效的分类特征，而微波遥感恰好可以提供这些信息，并且对天气的要求较低，可以全天候提供数据，因此常与光学影像一起应用于作物分类中。

物候特征作为识别作物的最常用特征之一，可以更为准确、科学地识别不同的作物。

单景影像受“同物异谱”和“异物同谱”的影响，很难得到高精度的作物分类结果，且单时相的数据不具有时序性，因此无法提取作物的物候特征。

而多时相遥感数据可以通过构建植被指数时间序列来提取物候参数作为区分不同作物的特征。

除此以外，多时相的遥感数据可以描述不同作物随时间变化的特征（光谱、纹理、植被指数等），提高不同作物间的可分性，因此被广泛应用于作物的识别。

辅助数据特征是指用于辅助遥感数据分析与分类的非图像信息，包括气候信息、地形信息、各类专题信息等。

eCognition操作流程Definiens professional 5.0分类流程1.1操作前准备1.1.1待分类影像切割eCognition不⽀持超过500万个对象的⽂件分割，因此需要在eCognition分割前要先将遥感影像切割成200M左右的⼩⽂件。

为保证切割后影像分类后结果的⽆缝镶嵌，在Arcmap中制作切割⽤的⽮量边界，然后转⾄ERDAS中制作所需要的aoi。

1.1.2辅助图层准备⽤与上步相同的aoi ⽂件对相应的dem、坡度、坡向图等专题图层进⾏切割，这些⽂件在eCognition分类中都将作为辅助信息⽤到。

1.2 建⽴eCognition⼯程⽂件1.2.1加⼊影像层和各专题图层打开eCognition软件，创建新的⼯程⽂件。

先加⼊第⼀步做好的遥感影像⽂件，然后将dem、坡度、坡向图等专题图层都加⼊进来。

1.2.2影像层赋别名为⽅便分类中使⽤，需要将各个图层赋上别名，按加⼊图层的先后顺序，确保给各图层加上正确的名称（Green、Red、Nired、Swired、Pan、Dem、Slope、Aspect ）等。

1.2.3图层设臵先在Erdas中查看相应⽂件信息（information）,记下⽂件的左上⾓的x值和右下⾓的y值及分辨率。

然后在eCognition中双击相应图层，在弹出的如下对话框中分别输⼊刚才记下的x、y和分辨率。

为了确保输⼊坐标正确，在各图层都输⼊后，进⾏检查。

⼯程⽂件创建后，就不能再进⾏更改这些数据了。

1.2.4创建新的⼯程⽂件：点“OK”开始创建⼯程⽂件，完成后应先保存该⼯程⽂件，再开始下步的⼯作。

1.3 影像分割⾯向对象的影像分类⽅法需要在影像分类之前对其进⾏分割，分割⽅法将像元按照同质性进⾏聚类，从⽽形成分类所需要的“对象”。

1.3.1分割对象选择只选择遥感影像的1、2、3、4层，即兰、绿、红、近红四个波段参与分割，其它层不参与分割。

即在分割时将兰、绿、红、近红四个波段权重值设为1，将其它层权重值设为0。

遥感数字图像处理-要点编辑整理：尊敬的读者朋友们：这里是精品文档编辑中心，本文档内容是由我和我的同事精心编辑整理后发布的，发布之前我们对文中内容进行仔细校对，但是难免会有疏漏的地方，但是任然希望（遥感数字图像处理-要点）的内容能够给您的工作和学习带来便利。

同时也真诚的希望收到您的建议和反馈，这将是我们进步的源泉，前进的动力。

本文可编辑可修改，如果觉得对您有帮助请收藏以便随时查阅，最后祝您生活愉快业绩进步，以下为遥感数字图像处理-要点的全部内容。

遥感数字图像处理—要点1．概论遥感、遥感过程遥感图像、遥感数字图像、遥感图像的数据量遥感图像的数字化、采样和量化通用遥感数据格式（BSQ、BIL、BIP）遥感图像的模型：多光谱空间遥感图像的信息内容：遥感数字图像处理、遥感数字图像处理的内容遥感图像的获取方式主要有哪几种？如何估计一幅遥感图像的存储空间大小？遥感图像的信息内容包括哪几个方面?多光谱空间中,像元点的坐标值的含义是什么？与通用图像处理技术比较，遥感数字图像处理有何特点？遥感数字图像处理包括那几个环节?各环节的处理目的是什么?2。

遥感图像的统计特征2。

1图像空间的统计量灰度直方图：概念、类型、性质、应用最大值、最小值、均值、方差的意义2.2多光谱空间的统计特征均值向量、协方差矩阵、相关系数、相关矩阵的概念及意义波段散点图概念及分析主要遥感图像的统计特征量的意义两个重要的图像分析工具：直方图、散点图3。

遥感数字图像增强处理图像增强：概念、方法空间域增强、频率域增强3.1辐射增强：概念、实现原理直方图修正，线性变换、分段线性变换算法原理直方图均衡化、直方图匹配的应用3。

2空间增强邻域、邻域运算、模板、模板运算空间增强的概念平滑（均值滤波、中值滤波）原理、特点、应用锐化、边缘增强概念方向模板、罗伯特算子、索伯尔算子、拉普拉斯算子的算法和特点•计算图像经过下列操作后，其中心象元的值：–3×3中值滤波–采用3×3平滑图像的减平滑边缘增强–域值为2的3×1平滑模板–Sobel边缘检测–Roberts边缘检测–模板3.3频率域处理高频和低频的意义图像的傅里叶频谱频率域增强的一般过程频率域低通滤波频率域高通滤波同态滤波的应用3。

主题：遥感影像在面向对象分类中的应用文章内容：一、遥感影像的概念和特点1.1 遥感影像是指利用遥感技术获取的地面、海面、大气等物体的影像信息。

1.2 遥感影像具有多光谱、高分辨率、全天候、大范围等特点。

二、面向对象分类的基本原理2.1 面向对象分类是指将遥感影像中的像元根据其空间位置、光谱特征、纹理特征等属性进行分割和分类。

2.2 面向对象分类与传统的基于像元的分类相比，能够更好地保留地物的空间信息和形状特征。

三、遥感影像在面向对象分类中的应用3.1 遥感影像在土地利用/覆盖分类中的应用：可以利用遥感影像进行土地利用/覆盖的监测和分类，为土地管理、资源规划提供科学依据。

3.2 遥感影像在环境监测中的应用：可以利用遥感影像进行环境监测，如水体变化监测、植被覆盖度监测等，为环境保护和治理提供支持。

3.3 遥感影像在灾害监测中的应用：可以利用遥感影像进行灾害监测，如洪涝灾害、火灾等，为灾害的防范和救援提供帮助。

四、面向对象分类中的技术挑战和发展趋势4.1 技术挑战：遥感影像在面向对象分类中仍然面临着遥感影像分割、特征提取、分类算法等方面的技术挑战。

4.2 发展趋势：随着计算机视觉和人工智能技术的不断发展，面向对象分类技术将更加智能化、自动化，能够更好地适应各种复杂场景的分类需求。

结语：遥感影像在面向对象分类中有着广泛的应用前景，随着技术的不断发展和创新，相信遥感影像在面向对象分类中的应用将会变得更加广泛和深入。

五、面向对象分类的方法和技术5.1 基于规则的分类方法：基于人工定义的规则和特征进行分类，需要人工干预和指导，适用于简单场景的分类任务。

5.2 基于机器学习的分类方法：利用已知类别的样本数据训练分类器，从而实现自动分类，适用于复杂场景的分类任务。

5.3 深度学习方法：近年来，随着深度学习技术的发展，深度学习在遥感影像的面向对象分类中得到了广泛的应用。

通过构建深度卷积神经网络，可以自动学习遥感影像中的特征，实现高效准确的分类。